基于分层关系度量网络的单样本人脸识别

单样本训练集中的每个类只有一张样本,训练样本数量的不足将使模型得不到有效训练,使得模型无法准确提取具有类内变化的人脸面部特征,导致模型的识别率低下.针对该问题,提出了一种基于分层关系度量网络(Hierarchical Relation Measure Network,HRMN)的单样本人脸识别模型.首先,使用语义网络将训练集中人脸进行性别层次的语义划分;随后,应用小批量K均值聚类算法对所划分的第一层语义人脸特征进行分层聚类,得到具有多个不同抽象层次的分层特征树(Hierarchical Feature Tree,HFT).最后,使用所构建的多层关系度量网络计算出不同抽象层次面部特征与目标样本间的加权融合相似度,根据相似度得出目标样本的类别信息.为了验证所提算法的有效性,本文进行了大量的实验,实验结果表明,该模型优于几种近年来应用较为广泛的单样本人脸识别模型.

B样条和图像梯度的单样本人脸识别

提出了一种基于B样条和图像梯度的算法用于单样本人脸识别。采用图像梯度方法进行人脸识别具有光照不变性等优点,但在图片有噪声的情况下,噪声信息会严重干扰梯度信息,识别率会大大下降。传统降噪方法,会在降噪的同时平滑图像,降低图像的梯度信息影响识别率。本文利用B样条滤波具有阶数可调的特点,根据图像的噪声值选取不同阶数B样条滤波,在降噪的同时最大程度的保留图像梯度信息以提高识别率。实验证明,基于B样条和图像梯度的算法在单样本人脸识别问题上识别率优于传统滤波方法。

深度子空间联合稀疏表示单样本人脸识别算法

针对人脸识别中小样本数据集缺少分布信息难以获得鲁棒图像表示问题,提出深度子空间联合稀疏表示单样本人脸识别算法。首先,使用深度加权子空间构建抽象特征描述网络,获得单样本人脸深层抽象描述子。进而利用样本类间差异信息,引入邻域排斥度量学习实现低维度有鉴别力特征提取。最后基于协同表示分类器完成模式分类。在FERET、ORL、Multi_PIE等数据库上验证本文算法在单样本人脸识别问题上的有效性,鉴于深度子空间强大的特征描述能力,即使训练样本集很小,依然可以保证训练样本能够紧凑的表示有变化的测试样本。

基于深度自编码器的单样本人脸识别

由于每个目标仅有一幅已知样本,无法描述目标的类内变化,诸多人脸识别算法在解决单样本人脸识别问题时识别性能较低.因此文中提出基于深度自编码器的单样本人脸识别算法.算法首先采用所有已知样本训练深度自编码器,得到广义深度自编码器,然后使用每个单样本目标的单个样本微调广义深度自编码器,得到特定类别的深度自编码器.识别时,将识别图像输入每个特定类别的深度自编码器,得到包含与测试图像相同类内变化的该类别的重构图像,使用重构图像训练Softmax回归模型,分类测试图像.在公共测试库上进行测试,并与其它算法在相同环境下进行对比,结果表明文中算法在获得更优识别率的同时,识别一幅图像所需平均时间更少.

一种基于产生式分数空间的单样本人脸识别方法

提出一种基于产生式分数空间的单样本人脸识别方法.首先设计了适用于人脸表示的概率产生式模型,并有效地结合了分部式方法的灵活性和稀疏成分分析的稳健性.然后基于该模型导出分数函数(特征映射),并构建了本质上是观测数据、隐变量和模型参数函数的概率相似度.最后,基于2个标准人脸数据库进行了仿真实验,验证了所提出方法的有效性.

基于子模式的Gabor特征融合的单样本人脸识别

针对传统人脸识别方法在单训练样本条件下效果不佳的缺点,提出基于子模式的Gabor特征融合方法并用于单样本人脸识别.首先采用Gabor变换抽取人脸局部信息,为有效利用面部器官的空间位置信息,将Gabor人脸图像分块构成子模式,采用最小距离分类器对各子模式分类.最后对各子模式分类结果做决策级融合得出分类结果.根据子模式构成原则和决策级融合策略不同,提出两种子模式Gabor特征融合方法.利用ORL人脸库和CAS-PEAL-R1人脸库进行实验和比较分析,实验结果表明文中方法有效提高单样本人脸识别的正确率,改善单样本人脸识别系统的性能.

基于“SOM脸”的选择性单训练样本人脸识别

基于“SOM脸”计算模型提出一种新的人脸局部区域重要程度度量方法 ,并用于进行选择性单训练样本人脸识别。从机器人脸识别的角度 ,并未预先人为设定任何重要区域 ,而是通过学习来自动发现这些对机器而言相对重要的人脸区域 ,即包含类信息相对丰富的区域 ,并将其进行可视化。实验结果表明 ,在利用了人脸局部区域重要程度信息后 ,识别算法的性能和效率均得到提高 ;特别是仅选择人脸图像中若干部分重要的区域用于识别时 ,在提高识别效率的同时 ,识别性能未见明显下降。

基于变化稀疏表示的单样本人脸识别

提出一种基于变化稀疏表示的单样本人脸识别算法,将测试图像相对于某一标准图像的人脸变化表示为类内及类间变化的线性组合,通过求解最小L1范数得到线性组合的稀疏表示系数。识别时,对应于类间变化字典中最大稀疏表示系数的变化样本给出了测试图像的身份信息。算法在公共测试库Extended Yale Face Database B上的实验结果证明,该算法在得到优于或相近于ESRC及ELRC识别率的同时,运算时间少于ESRC及ELRC算法。

单样本条件下权重模块2DPCA人脸识别

针对单样本人脸识别问题,提出了权重模块2DPCA识别方法。该方法首先利用模块2DPCA方法对图像矩阵进行区域分块和子图像主成分特征提取,再用光流方法度量测试图像和样本图像对应分块像素区域由于人物变化、表情不同、饰物遮蔽等造成的差异,并以此为依据对得到的样本和测试图像的特征矩阵之间的差分矩阵分块区域赋以相对权重,最后进行最邻近分类判别。在JAFFE和ORL人脸库上的实验结果表明,在同等鉴别特征维数下,权重模块2DPCA识别方法较之传统2DPCA方法和模块2DPCA方法具有更高的识别率和鲁棒性,证明了在基于PCA的人脸识别方法中加入先验知识以提高识别能力的可行性。

基于自编码器和稀疏表示的单样本人脸识别

单样本人脸识别因其在现实生活中的广泛应用而成为人脸识别领域的热门话题。单张训练样本条件下训练样本的缺少和复杂的类内人脸表情、光照、遮挡变化给单样本人脸识别研究带来困难。传统的基于稀疏表示的人脸识别方法需要大量的训练样本构成过完备的字典,因而在单样本条件下识别效果明显下滑。针对这一问题,提出一种基于有监督自编码器的带变化人脸样本生成方法,在保留身份信息的同时自动生成带变化的人脸图像用于单样本条件下的字典扩充,一定程度上缓解了单样本条件下的欠采样问题,弥补了训练集和测试集间的人脸变化信息差异,使得传统的稀疏表示方法能够适用于单样本人脸识别问题。在公共数据库上的实验结果不仅证明了该方法的有效性,而且对测试集中不同的人脸变化也展现出了较强的鲁棒性。

基于小波子带融合的单训练样本掌纹识别方法

针对目前大多数掌纹识别方法对于单训练样本系统识别性能欠佳的问题,提出一种基于小波子带融合的主成分分析方法,用于单训练样本掌纹识别.该方法将小波低频子带与水平和垂直高频子带相结合进行身份识别,使用低通滤波增强相应边缘信息的鲁棒性,以提高高频子带的识别性能,然后采用求和算子对各匹配分数进行融合.实验结果表明,对于单训练样本掌纹识别,该方法平均识别率达89.93%,较传统方法有6%~9%的性能提升.

基于时空深度度量学习的单样本人体行为识别算法

单样本人体行为识别旨在从单个参考样本中识别出新的行为种类。现有的采用卷积网络学习基础特征表达的方法忽略了人体的空间拓扑结构,对于不规则的人体数据,传统卷积的规则卷积核学习效率较低。针对该问题,该文首次将图卷积方法应用在单样本行为识别中,以获取丰富的人体空间结构信息。此外,该文借鉴集成学习的思想,将获取嵌入特征的过程分为空间流和时间流,以获得具有不同特征的空间子嵌入和时间子嵌入,从而获得优异的泛化能力。在大型公开数据集NTU RGB+D 120上的实验结果表明,该文提出的时空深度度量学习模型优于先前的单样本行为识别模型,且准确率高于基准模型3.2%。

基于稀疏重构扩充法的单样本人脸识别算法

为了解决噪声污染下的单样本人脸识别问题,提出基于稀疏重构扩充法的单样本人脸识别算法。利用稀疏重构构建虚拟图像,有效提高扩充样本的质量,从而提高人脸识别率。在不同程度的噪声条件下,通过在Yale,ORL,PIE等标准人脸数据库上的实验,验证了算法的有效性。

基于迁移学习的单样本人脸识别

现今人脸识别算法的有效性很大程度上取决于一组足够多的、有代表性的训练样本。若系统中只有一个训练样本,将会导致严重的性能下降甚至算法直接无效,被称为“单样本”问题,它提供了每个人一张人脸数据的存储库,由于训练集非常有限,任务在实际中经常遇到,以致对目前大多数成熟算法而言都是非常具有难度的。本文基于稀疏表示分类框架,把迁移学习思想引入到单样本人脸识别研究中并进行了若干相关实验,为各相关研究者利用稀疏表示分类框架和迁移学习思想研究单样本识别难题提供思路。

深度稀疏自编码网络融合多LBP特征用于单样本人脸识别

单样本人脸识别的关键在于充分挖掘单样本判别性信息,采用深度稀疏自编码网络与空频域多LBP特征融合进行特征提取。首先利用部分样本训练深度稀疏自编码网络,利用训练好的网络分别提取训练及测试集的特征;其次,利用二维离散小波变换将时域样本变换到频域,实现样本扩展,增加单样本信息并分别提取各域上的多LBP特征;最后利用协同表示对深度自编码网络及多LBP特征进行分类识别,融合识别结果获取最终分类结果。在AR及PIE数据库上的实验结果表明,该融合算法能提高样本判别性信息的提取,提高单样本人脸识别性能。

基于虚拟样本图像集的多流形鉴别学习算法

为了丰富训练样本的类内变化信息,提出了基于通用训练样本集的虚拟样本生成方法。为了利用生成的虚拟样本中的类内变化信息有效地完成单样本人脸识别任务,提出了基于虚拟样本图像集的多流形鉴别学习算法。该算法将每类仅有的单个训练样本图像和该类的虚拟样本图像划分为互不重叠的局部块并构建流形,然后为每个流形学习一个投影矩阵,使得相同流形内的局部块在投影后的低维特征空间间隔最小化,不同流形中的局部块在投影后的低维特征空间中间隔最大化。实验结果表明,所提算法能够准确地预测测试样本中的类内变化,是一种有效的单样本人脸识别算法。

基于MW（2D）^2PCA的单训练样本人脸识别

传统的人脸识别方法在单训练样本条件下性能会急剧下降,因此,研究出适合于单样本情况下的识别算法是人脸识别问题面临的巨大挑战.针对两个方向的二维主成分分析((2D)2PCA)算法进行改进,文中提出将加权和分块与(2D)2PCA相结合的方法称为分块加权(2D)2PCA,以便更有效地提取人脸的局部特征.同时把模糊理论引入分类决策,应用于单训练样本人脸识别问题.在ORL人脸库以及部分CAS-PEAL人脸库中的实验结果表明,文中方法能取得较好的识别效果.

奇异值分解和改进PCA的视频人脸检索方法

针对视频中人脸检索问题,提出一种基于奇异值分解和改进PCA相结合的视频中单样本人脸检索方法,其中通过融合局部均值和标准差的图像增强处理来实现PCA算法的改进,从而克服光照对目标的影响。通过AdaBoost人脸检测算法对人脸图像和视频进行人脸检测;通过奇异值分解增加训练样本,在原样本和新样本的基础上采用改进的PCA人脸识别算法提取待检测人脸和视频中的人脸代数特征;采用最近邻分类器进行特征匹配,判断视频中检测出的人脸是否为要检索的目标人脸。实验结果表明,该方法在简单背景的视频环境下可以较准确地检索出目标人脸。

改进加权投票的PCA-Net多特征融合SSFR

单样本人脸识别是人脸识别在实际应用中面临的挑战性问题之一,虽然深度学习在人脸识别方面取得突破性进展但其性能依赖海量标注性数据,故其在单样本上性能有限。而传统浅层特征对有标注的数据量需求不高,但因单样本数据缺少类内变化其性能有限,提出一种改进加权投票的PCA-Net多特征融合算法。在数据集方面,利用LU分解生成虚拟样本扩展数据集;根据PCA-Net特征下样本的相关性细化数据集,实现对数据集初步特征提取和筛选;在细化数据集上提取多LBP特征并与PCA-Net特征进行加权投票。在AR、Extended Yale B、CMU-PIE三个数据库上的实验结果表明,所提方法提高了单样本人脸识别性能。

Centre symmetric quadruple pattern-based illumination invariant measure

A centre symmetric quadruple pattern-based illumination invariant measure(CSQPIM)is proposed to tackle severe illumination variation face recognition.First,the subtraction of the pixel pairs of the centre symmetric quadruple pattern(CSQP)is defined as the CSQPIM unit in the logarithm face local region,which may be positive or negative.The CSQPIM model is obtained by combining the positive and negative CSQPIM units.Then,the CSQPIM model can be used to generate several CSQPIM images by controlling the proportions of positive and negative CSQPIM units.The single CSQPIM image with the saturation function can be used to develop the CSQPIM-face.Multi CSQPIM images employ the extended sparse representation classification(ESRC)as the classifier,which can create the CSQPIM image-based classification(CSQPIMC).Furthermore,the CSQPIM model is integrated with the pre-trained deep learning(PDL)model to construct the CSQPIM-PDL model.Finally,the experimental results on the Extended Yale B,CMU PIE and Driver face databases indicate that the proposed methods are efficient for tackling severe illumination variations.